本文介绍如何使用 java 读取 csv 文件、逐行匹配预设数值（如 50/500/5000），并根据是否**同时存在全部目标值**，将文件自动移动至 `processed` 或 `invalid_files` 目录。代码采用函数式设计，支持灵活扩展匹配条件，避免状态变量混乱。
在实际数据处理场景中，常需对批量 CSV 文件进行内容校验——例如检测某列是否包含一组关键数值（如 50, 500, 5000），并将“命中全部目标”的文件识别为异常（如测试数据污染、格式错误或业务规则冲突），进而隔离处理。原始代码存在多个关键问题：状态重置逻辑错误（found50 = false 在循环内过早清空）、文件移动时机错乱（br.close() 被重复调用且位置不当）、未跳过表头导致解析失败，以及硬编码逻辑难以维护。
以下是一个结构清晰、健壮可扩展的解决方案：
✅ 核心设计原则
- 职责分离：目录遍历、文件解析、行校验、文件移动各司其职；
-
条件抽象化：用 Predicate
封装匹配逻辑，避免 foundXXX 布尔变量； - 短路验证：一旦确认文件含全部违规值（如 50+500+5000），立即返回 false（视为无效）；
- 资源安全：严格使用 try-with-resources 管理 Reader，杜绝流泄漏。
? 示例 CSV 结构（分号分隔）
car;score;description Opel;30;43 Volvo;500;434 Kia;50;3 Toyota;4;4 Mazda;5000;4
对应实体类（注意 position = 1 指第二列 score）：
@Data
public class CsvLine {
@CsvBindByPosition(position = 1)
private BigDecimal value;
}⚙️ 主流程与关键方法
public static void main(String[] args) throws IOException {
File directory = Path.of("/path/to/csv/directory").toFile();
FilenameFilter csvFilter = (dir, name) -> name.toLowerCase().endsWith(".csv");
// 定义「禁止出现」的数值：若文件中同时存在 50、500、5000，则判为 invalid
List> invalidValueConditions = List.of(
ne(new BigDecimal("50")),
ne(new BigDecimal("500")),
ne(new BigDecimal("5000"))
);
processDirectory(directory, csvFilter, invalidValueConditions);
}
public static void processDirectory(File dir, FilenameFilter filter,
List> conditions) throws 
IOException {
Path processed = createDirectory(Path.of(dir.getAbsolutePath(), "processed"));
Path invalid = createDirectory(Path.of(dir.getAbsolutePath(), "invalid_files"));
for (File file : Optional.ofNullable(dir.listFiles(filter)).orElse(new File[0])) {
boolean isValid = isFileValid(file, conditions);
Path target = isValid ? processed : invalid;
Files.move(file.toPath(), target.resolve(file.getName()), StandardCopyOption.REPLACE_EXISTING);
}
}
public static boolean isFileValid(File file, List> conditions) throws IOException {
try (Reader reader = Files.newBufferedReader(file.toPath())) {
List lines = new CsvToBeanBuilder(reader)
.withType(CsvLine.class)
.withSkipLines(1) // 跳过表头
.withSeparator(';') // 显式指定分隔符
.build()
.parse();
Set foundInvalids = new HashSet<>();
for (CsvLine line : lines) {
if (line.getValue() == null) continue;
// 若当前行值不满足任一「禁止条件」，说明它命中了某个违规值
boolean violates = conditions.stream()
.noneMatch(p -> p.test(line.getValue())); // 全部条件都为 false → 违规
if (violates) {
foundInvalids.add(line.getValue());
if (foundInvalids.size() == conditions.size()) {
return false; // 已凑齐全部违规值，文件无效
}
}
}
return true; // 未集齐全部违规值，视为有效
}
}
// 工具方法：生成「不等于 target」的谓词
public static > Predicate ne(T target) {
return value -> value != null && value.compareTo(target) != 0;
}
public static Path createDirectory(Path path) throws IOException {
return Files.exists(path) ? path : Files.createDirectory(path);
} ⚠️ 注意事项与优化建议
- 分隔符适配：若 CSV 使用逗号（,）而非分号（;），请将 withSeparator(';') 改为 withSeparator(',')；
- 空值鲁棒性：ne() 方法已内置 value != null 判断，防止 NullPointerException；
- 性能考量：对超大文件，可改用流式解析（如 OpenCSV 的 CSVReader 迭代器模式）避免全量加载内存；
- 扩展匹配逻辑：新增条件只需向 invalidValueConditions 添加新 Predicate，例如 value -> value.compareTo(BigDecimal.TEN) >= 0（大于等于10）；
- 日志增强：在 moveFile 前添加 System.out.printf("Moved %s to %s%n", file.getName(), target) 便于调试。
该方案彻底规避了原始代码中的状态管理缺陷，通过函数式条件组合实现高内聚、低耦合的校验逻辑，可直接集成至生产级数据管道中。
